Efeito do controle de montante na previsão hidrológica de curto prazo com redes neurais : aplicação à bacia do Ijuí
Autor(a) principal: | |
---|---|
Data de Publicação: | 2012 |
Tipo de documento: | Dissertação |
Idioma: | por |
Título da fonte: | Biblioteca Digital de Teses e Dissertações da UFRGS |
Texto Completo: | http://hdl.handle.net/10183/77935 |
Resumo: | Neste trabalho foi avaliado o efeito do controle de montante em sub-bacias embutidas na previsão hidrológica de curto prazo, com a investigação conjunta de dois aspectos: variação da área controlada e a variação do detalhamento temporal dos dados de vazões de entrada do modelo. O local escolhido para essa pesquisa foi a bacia do rio Ijuí com exutório no posto fluviométrico da Ponte Mística e as suas sub-bacias embutidas de Santo Ângelo, Ponte Nova do Potiribu, Colônia Mousquer, Passo do Faxinal e Turcato. Os dados de vazão utilizados foram obtidos da Agência Nacional de Águas (ANA) e do projeto de monitoramento da bacia do Potiribu (Castro et al., 2010), enquanto que os dados de precipitação foram obtidos em Silva (2011), que calculou uma série histórica de precipitações médias de uma grade de chuvas interpoladas a partir dos dados de 65 postos pluviométricos da região. Para este estudo foram utilizados dados de 22/08/1989 à 01/06/1994 (1.743 dias). Esse período foi selecionado por ser o maior período com dados concomitantes em todos os postos fluviométricos. Os modelos escolhidos para esse estudo foram as redes neurais artificiais de múltiplas camadas, com utilização do algoritmo retropropagativo. As entradas nos modelos foram os dados de precipitação e as vazões diárias da bacia de Ponte Mística e de suas sub-bacias, e as saídas foram as vazões de Ponte Mística um dia à frente. Foram apresentadas oito alternativas de controle físico de montante. Também foram aplicadas, para cada uma das alternativas, componentes antecedentes, com a utilização dos dados de vazão com antecedência de 24h e 48h. A utilização de vazões horárias do Turcato foi comparada com uma alternativa que contempla o mesmo posto, mas com dados diários, para investigar se a utilização de dados com um maior detalhamento temporal pode produzir melhores resultados. Para a análise do desempenho da rede foi aplicado como estatística de qualidade o coeficiente de Nash-Sutcliffe (NS). A avaliação estatística apresentou bons resultados na previsão de vazão para todas as alternativas de controle, sendo o menor NS de 0,91 e o maior de 0,97. A utilização de um maior detalhamento temporal, com aplicação de vazões horárias, provocou uma redução no desempenho do modelo, com o NS caindo de 0,91 para 0,89. Observou-se também que, quanto maior a área controlada das bacias, melhores são os resultados para a previsão de vazão. A análise da influência de cada variável explicativa foi feita por um método apresentado por Maier e Dandy (1997), revelando-se um recurso valioso para a compreensão das relações de importância das variáveis e do funcionamento do sistema. As contribuições das vazões das bacias de montante foram sempre mais influentes do que as precipitações diárias sobre toda a bacia, sendo demonstrado que, neste sentido, mesmo uma bacia muito pequena pode ser importante para a previsão. Além disso, esta técnica revelou-se importante para auxiliar na identificação das defasagens que são mais importantes, e também revela que, mesmo componentes que apresentam menor influência, podem atuar como potencializadoras de outras variáveis ou componentes, cuja ação atua no sentido de incrementar o desempenho das previsões do modelo. |
id |
URGS_aa5904b89b5fb8eb901190fcb1ffd6a1 |
---|---|
oai_identifier_str |
oai:www.lume.ufrgs.br:10183/77935 |
network_acronym_str |
URGS |
network_name_str |
Biblioteca Digital de Teses e Dissertações da UFRGS |
repository_id_str |
1853 |
spelling |
Matos, Alex Bortolon dePedrollo, Olavo CorreaCastro, Nilza Maria dos Reis2013-09-11T01:46:09Z2012http://hdl.handle.net/10183/77935000898035Neste trabalho foi avaliado o efeito do controle de montante em sub-bacias embutidas na previsão hidrológica de curto prazo, com a investigação conjunta de dois aspectos: variação da área controlada e a variação do detalhamento temporal dos dados de vazões de entrada do modelo. O local escolhido para essa pesquisa foi a bacia do rio Ijuí com exutório no posto fluviométrico da Ponte Mística e as suas sub-bacias embutidas de Santo Ângelo, Ponte Nova do Potiribu, Colônia Mousquer, Passo do Faxinal e Turcato. Os dados de vazão utilizados foram obtidos da Agência Nacional de Águas (ANA) e do projeto de monitoramento da bacia do Potiribu (Castro et al., 2010), enquanto que os dados de precipitação foram obtidos em Silva (2011), que calculou uma série histórica de precipitações médias de uma grade de chuvas interpoladas a partir dos dados de 65 postos pluviométricos da região. Para este estudo foram utilizados dados de 22/08/1989 à 01/06/1994 (1.743 dias). Esse período foi selecionado por ser o maior período com dados concomitantes em todos os postos fluviométricos. Os modelos escolhidos para esse estudo foram as redes neurais artificiais de múltiplas camadas, com utilização do algoritmo retropropagativo. As entradas nos modelos foram os dados de precipitação e as vazões diárias da bacia de Ponte Mística e de suas sub-bacias, e as saídas foram as vazões de Ponte Mística um dia à frente. Foram apresentadas oito alternativas de controle físico de montante. Também foram aplicadas, para cada uma das alternativas, componentes antecedentes, com a utilização dos dados de vazão com antecedência de 24h e 48h. A utilização de vazões horárias do Turcato foi comparada com uma alternativa que contempla o mesmo posto, mas com dados diários, para investigar se a utilização de dados com um maior detalhamento temporal pode produzir melhores resultados. Para a análise do desempenho da rede foi aplicado como estatística de qualidade o coeficiente de Nash-Sutcliffe (NS). A avaliação estatística apresentou bons resultados na previsão de vazão para todas as alternativas de controle, sendo o menor NS de 0,91 e o maior de 0,97. A utilização de um maior detalhamento temporal, com aplicação de vazões horárias, provocou uma redução no desempenho do modelo, com o NS caindo de 0,91 para 0,89. Observou-se também que, quanto maior a área controlada das bacias, melhores são os resultados para a previsão de vazão. A análise da influência de cada variável explicativa foi feita por um método apresentado por Maier e Dandy (1997), revelando-se um recurso valioso para a compreensão das relações de importância das variáveis e do funcionamento do sistema. As contribuições das vazões das bacias de montante foram sempre mais influentes do que as precipitações diárias sobre toda a bacia, sendo demonstrado que, neste sentido, mesmo uma bacia muito pequena pode ser importante para a previsão. Além disso, esta técnica revelou-se importante para auxiliar na identificação das defasagens que são mais importantes, e também revela que, mesmo componentes que apresentam menor influência, podem atuar como potencializadoras de outras variáveis ou componentes, cuja ação atua no sentido de incrementar o desempenho das previsões do modelo.This study evaluated the effects of the amount of controlled area with sub-basins embedded for real time hydrologic forecasting. Two aspects were studied together: The variation in the amount of controlled area and the temporal variation of detail data flow model input. The site chosen for this research was the Ijuí river basin with outlet in the gaging station of Ponte Mística and its sub-basins, namely the gaging stations at Sant'Angelo, Ponte Nova do Potiribu, Colônia Mousquer, Passo do Faxinal and Turcato. The streamflow data used were obtained from the National Water Agency (ANA) and the monitoring project of the Potiribu basin (Castro et al., 2010), while precipitation data were obtained in Silva (2011), who calculated the series of average precipitations from a grid of rainfalls resulting from the data interpolation of 65 raingauge stations in the region. For this study we used data from 22/08/1989 to 01/06/1994 (1.743 days). This period was selected because it is the longest period with complete data in all fluviometric stations. The models chosen for this study were the artificial neural networks of multiple layers, with training by the backpropagation algorithm. The entries of the models were the daily rainfall data and the streamflow of Ponte Mística basin and its sub-basins, and the outputs were the streamflows of the gaging station of Ponte Mística one day after. Eight alternatives of upstream control were presented. There were also applied, to each of these alternatives, the antecedent components, namely, the previous streamflow data of 24h and 48h. The model which uses hourly streamflows of Turcato was compared with an alternative that makes the same job, but with daily data, to investigate if the former, with the use of data with greater temporal detail, can produce better results. For the analysis of network performances it was applied the Nash-Sutcliffe coefficient (NS). Statistical evaluation showed good results in predicting streamflow for all control alternatives, being 0.91 and 0.97 the lowest and the highest NS, respectively. Using a more detailed temporal, applying hourly streamflows, caused a reduction in the performance of the model, with the NS falling from 0.91 to 0.89. It was also observed that the larger the controlled basins area, the better the results for predicting flow. The analysis of the influence of each explanatory variable was made by a method developed by Maier and Dandy (1997), proved to be a valuable resource for understanding the importance of relationships of variables and operating system. The contributions of flow from upstream basins have revealed always more influential to the forecasting than the daily precipitation over the whole basin, and demonstrated that, in this sense, even a very small basin may be important for forecasting. Furthermore, this technique proved important to help identify the more important lags, and also reveals that, even components that have less influence, can act for potentiating the other variables or components whose actions acts to increase the performance of the model predictions.application/pdfporPrevisão hidrológicaRedes neurais artificiaisModelos hidrológicosIjuí, Rio (RS)Efeito do controle de montante na previsão hidrológica de curto prazo com redes neurais : aplicação à bacia do Ijuíinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisUniversidade Federal do Rio Grande do SulInstituto de Pesquisas HidráulicasPrograma de Pós-Graduação em Recursos Hídricos e Saneamento AmbientalPorto Alegre, BR-RS2012mestradoinfo:eu-repo/semantics/openAccessreponame:Biblioteca Digital de Teses e Dissertações da UFRGSinstname:Universidade Federal do Rio Grande do Sul (UFRGS)instacron:UFRGSORIGINAL000898035.pdf000898035.pdfTexto completoapplication/pdf2067752http://www.lume.ufrgs.br/bitstream/10183/77935/1/000898035.pdf4158388456e63574d25cc379ebe54598MD51TEXT000898035.pdf.txt000898035.pdf.txtExtracted Texttext/plain155866http://www.lume.ufrgs.br/bitstream/10183/77935/2/000898035.pdf.txtc6840e12b68277083af55f6b3848da8cMD52THUMBNAIL000898035.pdf.jpg000898035.pdf.jpgGenerated Thumbnailimage/jpeg1096http://www.lume.ufrgs.br/bitstream/10183/77935/3/000898035.pdf.jpg99fc4db941effb02fa77d11530b7f6a5MD5310183/779352024-03-27 06:39:12.363745oai:www.lume.ufrgs.br:10183/77935Biblioteca Digital de Teses e Dissertaçõeshttps://lume.ufrgs.br/handle/10183/2PUBhttps://lume.ufrgs.br/oai/requestlume@ufrgs.br||lume@ufrgs.bropendoar:18532024-03-27T09:39:12Biblioteca Digital de Teses e Dissertações da UFRGS - Universidade Federal do Rio Grande do Sul (UFRGS)false |
dc.title.pt_BR.fl_str_mv |
Efeito do controle de montante na previsão hidrológica de curto prazo com redes neurais : aplicação à bacia do Ijuí |
title |
Efeito do controle de montante na previsão hidrológica de curto prazo com redes neurais : aplicação à bacia do Ijuí |
spellingShingle |
Efeito do controle de montante na previsão hidrológica de curto prazo com redes neurais : aplicação à bacia do Ijuí Matos, Alex Bortolon de Previsão hidrológica Redes neurais artificiais Modelos hidrológicos Ijuí, Rio (RS) |
title_short |
Efeito do controle de montante na previsão hidrológica de curto prazo com redes neurais : aplicação à bacia do Ijuí |
title_full |
Efeito do controle de montante na previsão hidrológica de curto prazo com redes neurais : aplicação à bacia do Ijuí |
title_fullStr |
Efeito do controle de montante na previsão hidrológica de curto prazo com redes neurais : aplicação à bacia do Ijuí |
title_full_unstemmed |
Efeito do controle de montante na previsão hidrológica de curto prazo com redes neurais : aplicação à bacia do Ijuí |
title_sort |
Efeito do controle de montante na previsão hidrológica de curto prazo com redes neurais : aplicação à bacia do Ijuí |
author |
Matos, Alex Bortolon de |
author_facet |
Matos, Alex Bortolon de |
author_role |
author |
dc.contributor.author.fl_str_mv |
Matos, Alex Bortolon de |
dc.contributor.advisor1.fl_str_mv |
Pedrollo, Olavo Correa |
dc.contributor.advisor-co1.fl_str_mv |
Castro, Nilza Maria dos Reis |
contributor_str_mv |
Pedrollo, Olavo Correa Castro, Nilza Maria dos Reis |
dc.subject.por.fl_str_mv |
Previsão hidrológica Redes neurais artificiais Modelos hidrológicos Ijuí, Rio (RS) |
topic |
Previsão hidrológica Redes neurais artificiais Modelos hidrológicos Ijuí, Rio (RS) |
description |
Neste trabalho foi avaliado o efeito do controle de montante em sub-bacias embutidas na previsão hidrológica de curto prazo, com a investigação conjunta de dois aspectos: variação da área controlada e a variação do detalhamento temporal dos dados de vazões de entrada do modelo. O local escolhido para essa pesquisa foi a bacia do rio Ijuí com exutório no posto fluviométrico da Ponte Mística e as suas sub-bacias embutidas de Santo Ângelo, Ponte Nova do Potiribu, Colônia Mousquer, Passo do Faxinal e Turcato. Os dados de vazão utilizados foram obtidos da Agência Nacional de Águas (ANA) e do projeto de monitoramento da bacia do Potiribu (Castro et al., 2010), enquanto que os dados de precipitação foram obtidos em Silva (2011), que calculou uma série histórica de precipitações médias de uma grade de chuvas interpoladas a partir dos dados de 65 postos pluviométricos da região. Para este estudo foram utilizados dados de 22/08/1989 à 01/06/1994 (1.743 dias). Esse período foi selecionado por ser o maior período com dados concomitantes em todos os postos fluviométricos. Os modelos escolhidos para esse estudo foram as redes neurais artificiais de múltiplas camadas, com utilização do algoritmo retropropagativo. As entradas nos modelos foram os dados de precipitação e as vazões diárias da bacia de Ponte Mística e de suas sub-bacias, e as saídas foram as vazões de Ponte Mística um dia à frente. Foram apresentadas oito alternativas de controle físico de montante. Também foram aplicadas, para cada uma das alternativas, componentes antecedentes, com a utilização dos dados de vazão com antecedência de 24h e 48h. A utilização de vazões horárias do Turcato foi comparada com uma alternativa que contempla o mesmo posto, mas com dados diários, para investigar se a utilização de dados com um maior detalhamento temporal pode produzir melhores resultados. Para a análise do desempenho da rede foi aplicado como estatística de qualidade o coeficiente de Nash-Sutcliffe (NS). A avaliação estatística apresentou bons resultados na previsão de vazão para todas as alternativas de controle, sendo o menor NS de 0,91 e o maior de 0,97. A utilização de um maior detalhamento temporal, com aplicação de vazões horárias, provocou uma redução no desempenho do modelo, com o NS caindo de 0,91 para 0,89. Observou-se também que, quanto maior a área controlada das bacias, melhores são os resultados para a previsão de vazão. A análise da influência de cada variável explicativa foi feita por um método apresentado por Maier e Dandy (1997), revelando-se um recurso valioso para a compreensão das relações de importância das variáveis e do funcionamento do sistema. As contribuições das vazões das bacias de montante foram sempre mais influentes do que as precipitações diárias sobre toda a bacia, sendo demonstrado que, neste sentido, mesmo uma bacia muito pequena pode ser importante para a previsão. Além disso, esta técnica revelou-se importante para auxiliar na identificação das defasagens que são mais importantes, e também revela que, mesmo componentes que apresentam menor influência, podem atuar como potencializadoras de outras variáveis ou componentes, cuja ação atua no sentido de incrementar o desempenho das previsões do modelo. |
publishDate |
2012 |
dc.date.issued.fl_str_mv |
2012 |
dc.date.accessioned.fl_str_mv |
2013-09-11T01:46:09Z |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/masterThesis |
format |
masterThesis |
status_str |
publishedVersion |
dc.identifier.uri.fl_str_mv |
http://hdl.handle.net/10183/77935 |
dc.identifier.nrb.pt_BR.fl_str_mv |
000898035 |
url |
http://hdl.handle.net/10183/77935 |
identifier_str_mv |
000898035 |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.rights.driver.fl_str_mv |
info:eu-repo/semantics/openAccess |
eu_rights_str_mv |
openAccess |
dc.format.none.fl_str_mv |
application/pdf |
dc.source.none.fl_str_mv |
reponame:Biblioteca Digital de Teses e Dissertações da UFRGS instname:Universidade Federal do Rio Grande do Sul (UFRGS) instacron:UFRGS |
instname_str |
Universidade Federal do Rio Grande do Sul (UFRGS) |
instacron_str |
UFRGS |
institution |
UFRGS |
reponame_str |
Biblioteca Digital de Teses e Dissertações da UFRGS |
collection |
Biblioteca Digital de Teses e Dissertações da UFRGS |
bitstream.url.fl_str_mv |
http://www.lume.ufrgs.br/bitstream/10183/77935/1/000898035.pdf http://www.lume.ufrgs.br/bitstream/10183/77935/2/000898035.pdf.txt http://www.lume.ufrgs.br/bitstream/10183/77935/3/000898035.pdf.jpg |
bitstream.checksum.fl_str_mv |
4158388456e63574d25cc379ebe54598 c6840e12b68277083af55f6b3848da8c 99fc4db941effb02fa77d11530b7f6a5 |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 |
repository.name.fl_str_mv |
Biblioteca Digital de Teses e Dissertações da UFRGS - Universidade Federal do Rio Grande do Sul (UFRGS) |
repository.mail.fl_str_mv |
lume@ufrgs.br||lume@ufrgs.br |
_version_ |
1810085268178337792 |